本文在水热条件下成功合成了一例Keggin型多酸基超分子化合物1,其分子式为H3［(3-PA)4(PW12O40)］(3-PA=3-(3-吡啶)丙烯酸)，并通过单晶X射线衍射、元素分析(EA)、红外(IR)光谱、X射线粉末衍射(PXRD)、热重(TG)和固体紫外-可见(UV-Vis)漫反射对化合物1的结构进行了表征。化合物1属于三斜晶系，P-1空间群，a=1.200 33(3) nm，b=1.216 42(3) nm，c=1.424 66(4) nm，α=75.030(1)°，β=73.452(1)°，γ=69.372(1)°，V=1.837 00(8) nm3，Z=1，Mr=3 476.78，F(000)=1 538，μ=18.815 mm-1，Dc=3.143 mg·m-3，S=1.062，R1=0.046 2,wR2=0.138 7。化合物1的结构单元包含一个［PW12O40］3-多阴离子和四个3-PA配体，并通过［PW12O40］3-多阴离子和3-PA配体之间的氢键连接形成二维超分子层。化合物1在光催化还原Cr(Ⅵ)反应中展现出良好的光催化活性，并具有较好的结构稳定性和可循环利用性。

通过水热合成方法, 以钼酸铵、氯化镍和4-氨基吡啶为原料成功合成了一个Keggin型多酸基超分子化合物H3［{H(4-AP)}6(PMoV6MoVI6O40)］ (4-AP=4-氨基吡啶)。该化合物的结构单元包含一个［PMoV6MoVI6O40］9-阴离子和6个质子化的配体。而［PMoV6MoVI6O40］9-阴离子与配体之间通过N(1)-H(1)…O(3)、N(2)-H(2A)…O(5)和N(2)-H(2B)…O(1)三种氢键相互作用, 进而形成二维超分子层。通过X射线单晶衍射、IR和粉末X射线衍射对其进行表征。晶体结构分析表明: 该标题化合物属于三方晶系, R-3空间群, a=2.191 2 (10) nm, b=2.191 2 (10) nm, c=1.042 3(5) nm, α=β=90°, γ=120°, V=4.333 8(4) nm3, Z=3, R1=0.036 2, wR2=0.095 6, 电催化性质研究表明该标题化合物对H2O2和K2Cr2O7具有良好的电催化还原效果, 以及对抗坏血酸具有良好的电催化氧化效果。

通过水热反应, 成功合成了一个草酸配体修饰的四核锆取代的夹心型硅钨-氧簇合物H12Na2［Zr4(μ3-O)2(μ2-OH)2(Ox)2(α-SiW10O37)2］·22H2O (Ox=oxalic acid)。该夹心型硅钨-氧簇是由两个{α-SiW10O37}簇块通过一个{Zr4(μ3-O)2(μ2-OH)2(Ox)2}簇连接构成的。通过X-射线单晶衍射、IR、TG以及元素分析对该簇合物进行表征。晶体结构分析表明: 该簇合物结晶于单斜晶系, P21/c空间群, a=2.132 2 (6) nm, b=1.271 6 (4) nm, c=2.223 1 (7) nm, β=110.933(4)°, V=5.629 9(3) nm3, Z=2, R1=0.061 5, wR2=0.164 4。电化学和电催化性质研究表明标题簇合物对NO-2的还原有很好的电催化效果。

传统图像分割方法主要依赖图像光谱、纹理等底层特征,容易受到图像中遮挡和阴影等的干扰。为此,提出一种基于卷积受限玻尔兹曼机的CV(Chan-Vest)图像分割模型,采用生成式模型——卷积受限玻尔兹曼机对目标形状建模并生成目标形状,以此为先验信息对CV模型能量函数增加目标全局形状特征约束,指导图像分割。在训练数据有限、目标形态各异、目标尺度变化较大的遥感影像数据集Satellite-2000和Vaihigen的目标分割中取得了理想的结果。

异常检测是高光谱遥感技术应用的一个重要方向.然而随着高光谱数据量的增大, 实时处理成为高光谱异常检测方法所面临的主要问题.基于此, 文中提出了一种新型的高光谱图像实时异常检测方法.随着数据的实时下行传输, 该异常算子仅仅利用了待检测像元之前已获取的所有像元信息, 而并没有用到尚未获取的像元信息, 使得数据边传输边处理成为可能;同时, 利用卡尔曼滤波器的递归思想, 用Woodbury引理从上一时刻的状态更新目前信息, 避免了重新计算历史信息及存储所有像元, 在大大缩短算法运行时间的同时, 大大降低了所需的存储空间.接收机特性曲线显示, 与传统异常检测算法相比, 这种新型实时算法可获得几乎相同的检测精度.在不影响检测效果的前提下, 时间复杂度曲线和算子运行时间可显示提出算法的时效性.与此同时, 提出的的状态更新公式不需要重新计算已有像元信息, 因此只需两个存储单元存储前一时刻的状态(协方差矩阵或相关矩阵)以及当前的新像元信息, 从而大大降低了算法所需的存储空间.

针对高光谱图像异常目标检测中图像邻近像元光谱相似易对检测结果产生干扰的现象，将聚类算法引入到异常目标检测领域，提出一种采用主成分量化和密度估计期望最大聚类的高光谱图像异常目标检测算法.在高维空间中，使用期望最大聚类算法对像元光谱向量进行聚类，将邻近像元的空间相关性转化为类内或类间像元的关系，根据异常像元分布在类别边缘的原理，以类为单位检测异常目标，有效地避免异常点的信息被淹没；另外，针对期望最大聚类算法对初始化过程要求敏感的问题，提出了根据图像的第一主成分信息，分别利用向量量化和密度估计的方法对期望最大聚类算法进行初始化，进一步提高算法的检测效果和计算效率.用合成和真实的AVIRIS高光谱数据进行仿真实验，仿真结果表明使用基于主成分量化和密度估计期望最大聚类算法的高光谱图像异常目标检测算法明显优于传统的异常检测算法.